論文の概要: Sequence adaptive field-imperfection estimation (SAFE): retrospective
estimation and correction of $B_1^+$ and $B_0$ inhomogeneities for enhanced
MRF quantification
- arxiv url: http://arxiv.org/abs/2312.09488v1
- Date: Fri, 15 Dec 2023 01:54:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 17:23:40.754799
- Title: Sequence adaptive field-imperfection estimation (SAFE): retrospective
estimation and correction of $B_1^+$ and $B_0$ inhomogeneities for enhanced
MRF quantification
- Title（参考訳）: 逐次適応場不完全推定(SAFE) : MRF定量化のための$B_1^+$および$B_0$不均一性の振り返り推定と補正
- Authors: Mengze Gao, Xiaozhi Cao, Daniel Abraham, Zihan Zhou, Kawin Setsompop
- Abstract要約: キャリブレーションなしのシーケンス適応型ディープラーニングフレームワークを提案し、任意のMDFシーケンスの効果を$B_+$および$B_$で推定・補正する。
トレーニングデータが得られなかった3Tの任意のMRFシーケンスで、その能力を実証する。
このようなアプローチは、以前買収された将来のMRFスキャンにも適用できる。
- 参考スコア（独自算出の注目度）: 3.2230949286556627
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: $B_1^+$ and $B_0$ field-inhomogeneities can significantly reduce accuracy and
robustness of MRF's quantitative parameter estimates. Additional $B_1^+$ and
$B_0$ calibration scans can mitigate this but add scan time and cannot be
applied retrospectively to previously collected data. Here, we proposed a
calibration-free sequence-adaptive deep-learning framework, to estimate and
correct for $B_1^+$ and $B_0$ effects of any MRF sequence. We demonstrate its
capability on arbitrary MRF sequences at 3T, where no training data were
previously obtained. Such approach can be applied to any previously-acquired
and future MRF-scans. The flexibility in directly applying this framework to
other quantitative sequences is also highlighted.
- Abstract（参考訳）: b_1^+$ と $b_0$ フィールド不均一性は mrf の定量的パラメータ推定の精度とロバスト性を著しく低下させる。
追加の$B_1^+$と$B_0$キャリブレーションスキャンは、これを緩和できるが、スキャン時間を追加し、以前収集されたデータに振り返ることはできない。
そこで我々は,任意のMDFシーケンスの効果を推定・補正するために,キャリブレーションフリーなシーケンス適応型ディープラーニングフレームワークを提案する。
トレーニングデータが得られなかった3Tで任意のMRFシーケンスでその能力を実証した。
このようなアプローチは、以前買収された将来のMRFスキャンにも適用できる。
このフレームワークを他の定量的シーケンスに直接適用する柔軟性も強調されている。
関連論文リスト
- Random Forest Calibration [21.602569813024]
ランダムフォレスト(RF)は、他の機械学習手法と比較して比較的よく校正されているとしばしば主張されている。
等調回帰のような従来のキャリブレーション法は、RF確率推定のキャリブレーションを著しく向上させるものではない。
最適化されたRFは,従来のキャリブレーション手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2025-01-28T07:22:27Z) - Improving the Convergence Rates of Forward Gradient Descent with Repeated Sampling [5.448070998907116]
前向き勾配降下(FGD)は、生物学的により妥当な勾配降下の代替として提案されている。
本稿では、各トレーニングサンプルに基づいて、$ell$FGDステップを計算することにより、この亜最適係数が$d/(ell wedge d)$となることを示す。
また、繰り返しサンプリングしたFGDは入力分布の低次元構造に適応できることを示す。
論文 参考訳（メタデータ） (2024-11-26T16:28:16Z) - On the good reliability of an interval-based metric to validate prediction uncertainty for machine learning regression tasks [0.0]
本研究では,不確実性の平均校正を予測するための(より)信頼性の高い検証手法を提案する。
不確実性や誤差分布の重みの存在に非常に敏感な分散ベースのキャリブレーション指標を考えると、間隔ベースの測度であるPICP(Prediction Interval Coverage Probability)へのシフトが提案される。
結果のPICPは、分散ベースのキャリブレーション指標よりも迅速かつ確実に検査される。
論文 参考訳（メタデータ） (2024-08-23T14:16:10Z) - Calibrating Neural Simulation-Based Inference with Differentiable
Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。
古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。
既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文 参考訳（メタデータ） (2023-10-20T10:20:45Z) - SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳（メタデータ） (2023-10-03T05:05:35Z) - Minimum-Risk Recalibration of Classifiers [9.31067660373791]
平均二乗誤差分解の枠組みにおいて,最小リスク再校正の概念を導入する。
校正分類器の転送には,スクラッチから再校正するのに比べて,ターゲットサンプルが著しく少ないことが示されている。
論文 参考訳（メタデータ） (2023-05-18T11:27:02Z) - Normalized/Clipped SGD with Perturbation for Differentially Private
Non-Convex Optimization [94.06564567766475]
DP-SGDとDP-NSGDは、センシティブなトレーニングデータを記憶する大規模モデルのリスクを軽減する。
DP-NSGD は DP-SGD よりも比較的チューニングが比較的容易であるのに対して,これらの2つのアルゴリズムは同様の精度を実現する。
論文 参考訳（メタデータ） (2022-06-27T03:45:02Z) - Model-based multi-parameter mapping [0.0]
定量的MRイメージングは、よりリッチな情報の内容と標準化された測定基準のためにますます好まれている。
推定はしばしば、異なる量のデータを分離して解くために、データのノイズサブセットを仮定する。
代わりに、生成モデルは定式化され、パラメータ推定を共同で回復するために反転することができる。
論文 参考訳（メタデータ） (2021-02-02T17:00:11Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - Censored Quantile Regression Forest [81.9098291337097]
我々は、検閲に適応し、データが検閲を示さないときに量子スコアをもたらす新しい推定方程式を開発する。
提案手法は, パラメトリックなモデリング仮定を使わずに, 時間単位の定量を推定することができる。
論文 参考訳（メタデータ） (2020-01-08T23:20:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。